随着现代城市的快速发展,人口和汽车保有量持续上升,出行需求急剧增长,因此缓解路网压力,减轻交通拥堵已经成为现代城市发展亟待解决的问题。交通速度作为评价交通状况的主要参数,蕴含路网的空间信息和交通参与者出行的时间特征,分析和挖掘交通速度的潜在规律,有利于指导交通规划和减缓交通拥堵,同时准确地预测交通速度也对实现智能交通系统具有重要的现实意义。现有的研究方法大多根据交通速度的某一个特征设计模型,而研究趋势是采用混合模型获取交通速度的时空深度特征,因此,本文分别从侧重交通时序特征兼顾空间和侧重路网空间兼顾时序两个方向展开研究,设计两种不同的深度混合模型预测城市路网的交通速度,主要研究内容如下:1)针对原始的GPS数据和路网信息,定义和分析路网的交通速度。首先预处理原始的GPS数据,分析匹配异常的GPS数据;然后分别采用K近邻算法(K Nearest Neighbor,KNN)和时空相似K近邻算法(Spatiotemporal Similarity KNN,STS-KNN)预测匹配异常的GPS数据,实验验证STS-KNN算法可以有效改进匹配异常GPS数据,以提高GPS数据的可用性;最后根据匹配后的GPS数据,定义路段的交通速度,分析城市路网中交通速度的时空特征。2)考虑交通速度的时序特征兼顾路网信息,提出一种具有微调策略的长短期记忆网络和受限玻尔兹曼机混合模型(Long Short-Term Memory and Restricted Boltzmann Machine Network,LSTM-RBM)用于路网的交通速度预测。LSTM-RBM可以有效学习速度序列的时空特征,同时引入微调策略预训练LSTM-RBM从而进一步提高其预测精度,并通过实验证明该模型的性能优于现有的深度学习模型。3)考虑城市路网的空间特征兼顾交通速度的时序信息,采用图来描述路网的拓扑结构,提出基于图卷积(Graph Convolutional Neural Network,GCN)和门控循环单元(Gated Recurrent Unit,GRU)的深度混合模型GCN-GRU-GCN预测城市路网的交通速度。首先采用GCN来捕获路网中距离较近路段速度的空间特征;其次利用GRU学习速度数据的时间特征;然后使用GCN学习较远路段的空间特征;最后从不同角度设计实验证明该模型的有效性和优越性。